0 / 0
資料の 英語版 に戻る
クイック・スタート: Jupyter ノートブックでの機械学習モデルの作成とデプロイする
最終更新: 2024年11月28日
クイック・スタート: Jupyter ノートブックでの機械学習モデルの作成とデプロイする

watsonx.aiランタイムを使えば、Jupyterノートブックで機械学習モデルの作成、学習、デプロイができる。 Jupyter ノートブックについて読み、ビデオを見て、中間ユーザーに適したコーディングが必要なチュートリアルを受けます。

必須のサービス
watsonx.aiスタジオ
watsonx.aiランタイム

基本的なワークフローには、以下のタスクが含まれます：

  1. サンドボックスプロジェクトを開く。 プロジェクトは、データを処理するために他のユーザーと共同作業できる場所です。
  2. ノートブックをプロジェクトに追加します。 ブランクのノートブックを作成することも、ファイルまたは GitHub リポジトリーからノートブックをインポートすることもできます。
  3. コードを追加し、ノートブックを実行します。
  4. モデル・パイプラインを確認し、目的のパイプラインをモデルとして保存します。
  5. モデルをデプロイしてテストします。

Jupyter ノートブックについて読む

Jupyter ノートブックは、対話式計算処理のための Web ベースの環境です。 ノートブックで機械学習モデルを構築することを選択した場合、Jupyter ノートブックでのコーディングに慣れておく必要があります。 データを処理する小さなコード断片を実行して、計算結果を即時に表示することができます。 このツールを使えば、データを扱うために必要なすべてのビルディングブロックを組み立て、テストし、実行し、データをwatsonx.aiRuntimeに保存し、モデルをデプロイすることができます。

ノートブックでのモデルのトレーニングについて詳しく読む

モデルを構築する他の方法について説明します

Jupyter ノートブックでのモデルの作成に関するビデオを見る

< このビデオを見て、Jupyter ノートブックで機械学習モデルをトレーニング、デプロイ、およびテストする方法を確認してください。

このビデオは、このドキュメントのコンセプトとタスクを学ぶための視覚的な方法を提供します。


Jupyter ノートブックでモデルを作成するためのチュートリアルを試す

このチュートリアルでは、以下のタスクを実行します：

このチュートリアルを完了するための所要時間は約 30 分です。

サンプルデータ

このチュートリアルで使用するサンプル・データは、 scikit-learn の一部であるデータからのものであり、0 から 9 までの手書きの数字の画像を認識するようにモデルをトレーニングするために使用されます。




このチュートリアルを完了するためのヒント
このチュートリアルを成功させるためのヒントを紹介します。

ビデオのピクチャー・イン・ピクチャーを使う

ヒント：ビデオを開始し、チュートリアルをスクロールすると、ビデオはピクチャ・イン・ピクチャ・モードに移行します。 ピクチャー・イン・ピクチャーで最高の体験をするために、ビデオの目次を閉じてください。 ピクチャ・イン・ピクチャ・モードを使用すると、このチュートリアルのタスクを完了しながらビデオを追うことができます。 各タスクのタイムスタンプをクリックしてください。

次のアニメーション画像は、ビデオのピクチャー・イン・ピクチャーと目次機能の使い方を示しています：

ピクチャー・イン・ピクチャーとチャプターの使い方

地域の助けを借りる

このチュートリアルに関してサポートが必要な場合は、 watsonxコミュニティ ディスカッション フォーラムで質問したり、回答を見つけたりすることができます。

ブラウザのウィンドウを設定する

このチュートリアルを最適に完了するには、Cloud Pak for Data を 1 つのブラウザ ウィンドウで開き、このチュートリアルのページを別のブラウザ ウィンドウで開いておくと、2 つのアプリケーションを簡単に切り替えることができます。 2つのブラウザウィンドウを横に並べると、より見やすくなります。

サイド・バイ・サイドのチュートリアルとUI

ヒント： このチュートリアルを完了する際に、ユーザーインターフェイスでガイドツアーに遭遇した場合は、後でをクリックしてください。

タスク 1：プロジェクトを開く

データとAutoAI実験を保存するプロジェクトが必要です。 サンドボックス・プロジェクトを使うことも、プロジェクトを作成することもできる。

  1. ナビゲーションメニューナビゲーション・メニューから、プロジェクト > すべてのプロジェクト表示をを選択します。

  2. サンドボックスプロジェクトを開く。 新しいプロジェクトを使いたい場合：

    1. 新規プロジェクトをクリックしてください。

    2. 「空のプロジェクトの作成」を選択します。

    3. プロジェクトの名前と任意の説明を入力します。

    4. 既存の オブジェクト・ストレージ・サービス・インスタンス を選択するか、または新規作成します。

    5. 「作成」 をクリックします。

  3. プロジェクトが開始したら、 管理 タブをクリックし、 サービスと統合 ページを選択してください。

    プレビュー・チュートリアル・ビデオこのタスクをプレビューするには、ビデオの00:07からご覧ください。

    1. IBM servicesタブで、Associateサービスをクリックします。

    2. watsonx.aiランタイムインスタンスを選択します。 watsonx.aiRuntime サービスインスタンスがまだプロビジョニングされていない場合は、以下の手順に従ってください：

      1. 新規サービスをクリックします。

      2. watsonx.aiランタイムを選択します。

      3. 「作成」 をクリックします。

      4. リストから新しいサービス・インスタンスを選択する。

    3. サービスを関連付けるをクリックします。

    4. 必要に応じて、キャンセルをクリックし、サービス & 統合ページに戻ります。

詳細情報やビデオの視聴については、 「プロジェクトの作成」を参照してください。
関連サービスに関する詳細については、 「関連サービスの追加」を参照してください。

チェックポイント・アイコン進捗状況を確認する



以下の画像は新しいプロジェクトを示しています

次の画像は新しいプロジェクトである。

タスク2：プロジェクトにノートブックを追加する

プレビュー・チュートリアル・ビデオこのタスクをプレビューするには、ビデオの00:18からご覧ください。

このチュートリアルでは、サンプルノートブックを使用します。 以下の手順に従って、サンプルノートブックをプロジェクトに追加してください：

  1. リソース ハブの「sckit-learn を使用して手書きの数字を認識する」ノートブックにアクセスします。

  2. プロジェクトに追加をクリックしてください。

  3. リストからプロジェクトを選択し、 追加をクリックしてください。

  4. ノートブックの名前と説明を確認します (オプション)。

  5. このノートブックのランタイム環境を選択してください。

  6. 「作成」 をクリックします。 ノートブック・エディターがロードされるまで待ちます。

  7. メニューからKernel > Restart & Clear Outputをクリックし、Restart and Clear All Outputsをクリックして確認すると、最後に保存した実行の出力がクリアされます。

チェックポイント・アイコン進捗状況を確認する



以下の画像は新しいノートブックです

次の画像は新しいノートブックです。

タスク3：環境のセットアップ

プレビュー・チュートリアル・ビデオこのタスクをプレビューするには、 00:44から始まるビデオをご覧ください。

ノートブックの最初のセクションでは、IBM Cloudの認証情報とwatsonx.aiRuntime サービスインスタンスの場所を指定して環境をセットアップします。 以下の手順に従って、ノートブックの環境をセットアップしてください：

  1. 環境のセットアップ セクションまでスクロールします。

  2. API キーとロケーションを取得する方法を選択してください。

  3. API キーと場所をセル 1 に貼り付けます。

  4. 実行アイコン実行をクリックして、セル 1 と 2 のコードを実行します。

  5. セル3を実行してibm-watson-machine-learningパッケージをインストールする。

  6. セル4を実行してAPIクライアントをインポートし、認証情報を使用してAPIクライアントのインスタンスを作成する。

  7. client.spaces.list(limit=10)というコードでセルを実行すると、既存のすべてのデプロイメントスペースのリストが表示されます。 配置スペースがない場合は、以下の手順に従ってください：

    1. watsonx 配置で別のタブを開きます。

    2. ナビゲーション メニューナビゲーション・メニューから、 「デプロイメント」をクリックします。

    3. 新規デプロイメント・スペースをクリックしてください。

    4. デプロイメントの名前と説明 (オプション) を追加します。

    5. 作成をクリックしてから、 新規スペースの表示をクリックしてください。

    6. 「管理」 タブをクリックします。

    7. Space GUID をコピーしてタブを閉じると、この値が space_id になります。

  8. 適切な配置スペースIDをコピーして、コードspace_id = 'PASTE YOUR SPACE ID HERE'のセルに貼り付け、そのセルとコードclient.set.default_space(space_id)のセルを実行してデフォルトのスペースを設定します。

チェックポイント・アイコン進捗状況を確認する



以下の画像は、すべての環境変数が設定されたノートブックです

次の画像は、すべての環境変数が設定されたノートブックです。

タスク4：ノートブックの実行

プレビュー・チュートリアル・ビデオこのタスクをプレビューするには、ビデオの02:14からご覧ください。

これですべての環境変数がセットアップされたので、ノートブックの残りのセルを実行できる。 以下の手順に従って、コメントを読み、セルを実行し、出力を確認する：

  1. データを調べるセクションのセルを実行します。

  2. Create a scikit-learn model セクションのセルを実行してください。

    1. データを 3 つのデータ・セット (トレーニング、テスト、およびスコア) に分割して準備します。

    2. パイプラインを作成します。

    3. モデルをトレーニングします。

    4. テスト・データを使用してモデルを評価します。

  3. Persist locally created scikit-learn model セクションのセルを実行して、モデルを公開し、モデルの詳細を取得し、すべてのモデルを取得します。

    注:

    Python 3.11 でランタイム 24.1 を使っている場合は、software_spec_uid を runtime-24.1-py3.11 に、scikit-learn のバージョンを scikit-learn-1.3 に変更する必要があります。

  4. Deploy and score セクションのセルを実行して、オンラインデプロイメントを作成し、デプロイメントの詳細を取得し、デプロイされたモデルにスコアリング要求を送信して予測を確認します。

  5. ファイル > 保存をクリックします。

チェックポイント・アイコン進捗状況を確認する



以下の画像は、予想が書かれたノートブックである

次の画像は、予測されたノートブックである。

タスク 5: デプロイメントスペースでデプロイされたモデルを表示し、テストする

プレビュー・チュートリアル・ビデオこのタスクをプレビューするには、ビデオの04:07からご覧ください。

また、配置スペースからモデルの配置を直接表示することもできます。 以下の手順に従って、スペースに配備されたモデルをテストしてください。

  1. ナビゲーション メニューナビゲーション・メニューから、 「デプロイメント」をクリックします。

  2. スペースタブをクリックします。

  3. リストから適切なデプロイメント・スペースを選択してください。

  4. Scikitモデルをクリックします。

  5. scikitモデルの展開をクリックします。

  6. エンドポイント および コード・スニペットを確認してください。

  7. テストタブをクリックします。 以下の JSON コードを貼り付けることで、デプロイされたモデルをテストできます：

       {"input_data": [{"values": [[0.0, 0.0, 5.0, 16.0, 16.0, 3.0, 0.0, 0.0, 0.0, 0.0, 9.0, 16.0, 7.0, 0.0, 0.0, 0.0, 0.0, 0.0, 12.0, 15.0, 2.0, 0.0, 0.0, 0.0, 0.0, 1.0, 15.0, 16.0, 15.0, 4.0, 0.0, 0.0, 0.0, 0.0, 9.0, 13.0, 16.0, 9.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 14.0, 12.0, 0.0, 0.0, 0.0, 0.0, 5.0, 12.0, 16.0, 8.0, 0.0, 0.0, 0.0, 0.0, 3.0, 15.0, 15.0, 1.0, 0.0, 0.0], [0.0, 0.0, 6.0, 16.0, 12.0, 1.0, 0.0, 0.0, 0.0, 0.0, 5.0, 16.0, 13.0, 10.0, 0.0, 0.0, 0.0, 0.0, 0.0, 5.0, 5.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 8.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 13.0, 13.0, 0.0, 0.0, 0.0, 0.0, 0.0, 6.0, 16.0, 9.0, 4.0, 1.0, 0.0, 0.0, 3.0, 16.0, 16.0, 16.0, 16.0, 10.0, 0.0, 0.0, 5.0, 16.0, 11.0, 9.0, 6.0, 2.0]]}]}

  8. 予測をクリックしてください。 結果の予測は、手書きの数字が 5 と 4 であることを示しています。

チェックポイント・アイコン進捗状況を確認する



以下の画像は、テストタブと予測結果を示しています

次の画像は、「テスト」タブに予測値を表示したものです。

(オプション）タスク6：クリーンアップ

ノートブックによって作成されたすべてのアセットを削除する場合は、Machine Learningアーティファクト管理ノートブックに基づいて新しいノートブックを作成します。 このノートブックへのリンクは、このチュートリアルで使用したUse scikit-learn to recognize hand-written digits notebookのクリーンアップセクションにもあります。

今後のステップ

これで、このデータ・セットをさらに分析するために使用できます。 例えば、ユーザーまたは他のユーザーは、以下のいずれかのタスクを実行できます：

その他のリソース

親トピック: クイック・スタート・チュートリアル

生成 AI の検索と回答
これらの回答は、製品資料の内容に基づいて、 watsonx.ai のラージ言語モデルによって生成されます。 詳細